未来3-5年大概率是基本面量化投资的优势阶段

       过去三年多的时间，A股市场经历了比较极致的结构性行情：在资金的推动下，市场不断推升少部分股票的估值并同时打压另一部分股票的估值，在一定程度上忽视了上市公司的基本面;少部分受到追捧的股票的估值被抬升得很高，已经无法与其成长性相匹配，另一部分股票则长期被市场忽略，估值变得很有吸引力;行业表现也极端分化，少数行业或者子行业板块的估值变得很高，另外一些行业的估值却出奇地低;一些“抱团”的投资策略变得十分拥挤，分散化的投资受到挑战。但是，市场演进到今天，我们认为上述趋势难以为继，未来市场回归或许是大概率事件。

       因此，当前时点，我们认为量化投资未来大概率会有相对更好的表现，建议投资人在权益类投资中增加基本面量化投资策略的配置。

       从历史表现来看，我们对比了13年以来A股市场的公募量化基金(13年开始公募量化产品逐渐发展)的整体表现与主动股票基金的整体业绩，可以发现2013年到2017年三季度前，量化基金整体跑赢主动股票基金;2017年四季度至2021年春节前，主动股票基金整体跑赢量化基金。过去三年多的时间，在资金的推动下，主要的主动管理策略出现比较明显的拥挤现象，在这种情况下，处理基本面信息的分散的量化投资大概率上到了应该回归的时段。根据我们对A股市场的研究和理解，我们预期未来3-5年，大概率是基本面量化投资的优势阶段。

        从风格回归的角度来看，2017年4季度至今，A股市场一方面拉抬白马龙头股估值，另一方面打压非一线龙头(中小票)的估值，这种两极分化在2020年疫情引起的宽流动性环境下走向极致，后期市场采取“抱团”策略。尽管这种抱团的情况于21年春节后有所缓解，但当前A股市场结构性分化依然存在，大小盘风格、高低估值风格、成长价值风格的估值差仍处于历史性高位，后续市场预计会在极致后逐步回归，这样以基本面为基础的量化选股模型或将重新发挥其优势。

       从行业回归的角度，行业作为风险模型的重要因素，长期没有超额收益。但自17年四季度以来，受各种因素的推动，行业分化也逐渐加剧，少数行业(像食品饮料、医疗行业，及部分TMT)涨幅远远超出其它行业，考虑盈利增长速度之后的估值依然很高，交易拥挤度变得很高，行业估值回归基本面也是可预见的结果。这同样也有利于行业中性的基本面量化投资策略。

       从投资分散化的角度，龙头大盘股的估值难于继续抬升，中小盘股在比较长时间的被压抑之后，大概率上会有更好的表现。在投资中小盘方面，集中持股的大基金的优势会受到制约，分散投资并通过程序化交易控制交易成本的量化基金的优势将得到体现。

       综上，我们认为量化投资未来会有相对更好的表现，A股市场的最近的表现也验证了我们以上的观点。近期市场正在朝着我们预期的方向转化，尽管未来可能仍会有一定的反复，但我们认为大方向上应该是比较确定的。所以，我们建议投资人，尤其是机构投资人当前可以在投资组合中增加量化基金的配置。

来源：腾讯网

量化投资领域的未来

       仅在 80 年代和 1990 年代才出现的量化股权投资领域，现在已成为资产管理行业的成熟部分。虽然金融服务行业的许多领域都受到技术和新分销渠道的干扰，但量化投资继续蓬勃发展。

       市场的持续全球化也将在未来发挥作用，因为投资者将能够进入新市场。最大的机会可能在于人工智能和大数据。这些技术一起使用时，可以让分析师找到股票价格与投资者传统上不使用的数据之间的关系。卫星图像、社交媒体内容以及来自车辆和设备的 GPS 数据都是潜在的情报来源。

       情绪是量化投资越来越重要的一个因素。人工智能和大数据都被广泛用于对情绪及其预测能力进行建模。人工智能的进步可能最终允许对定性因素进行建模。通过考虑更多的主观因素，这将缩小量化与传统主动基金管理之间的差距。

       量化策略通常需要很长时间才能执行，并且在较短的时间范围内通常会低于其基准。并非所有量化基金都是如此，现在正在使用新的数据源来创建可在短期内生成 alpha 的模型。

       大多数量化项目无法考虑主观因素。虽然具有强烈动量倾向的基金可以捕捉成长股的表现，但基于其他因素的基金通常会错失高成长股。量化策略容易受到其他算法交易策略可能造成的波动性和闪崩的突然增加的影响。量化基金的管理没有任何自由裁量权，这一事实可能是一把双刃剑。在大多数情况下，冷静的决策本质是一种优势，但在某些情况下，它也可能是一种劣势。

       量化投资模型基于概率和预期回报分布。这意味着可以更准确地预测预期的风险和回报，但这也需要足够大的样本量才能有效。因此，量化基金通常持有比主动管理基金更多的证券。主动管理型基金的投资决策由基金经理做出，具有很大的自由裁量权。

       量化投资使三件事成为可能——同时研究大量项目、基于经验证据而非主观预测的决策，以及投资组合管理的系统方法。早期研究确定存在某些异常现象来解释股价表现。价值、动力和市场价值是被发现导致表现优异的第一个因素。

       亿启量化智能平台将基本面、定量和技术分析与一些常识相结合，随着时间的推移，已经发现其他因素和因素的组合表现优异。

来源：金色财经

人工智能跨界公募基金，除了投资收益还应关注什么？

       "全民基民”的揶揄声中，2021年上半年公募基金成为最受投资者欢迎的投资标的之一。

       伴随基金走红的，不仅有明星基金经理，这个被不少投资者视作硬性指标的参考因素，被外界频频提及的还有人工智能技术和投资的跨界组合。

       随着人工智能商业化浪潮的涌动，越来越多的传统金融机构、互联网巨头、第三方机构入局智能化的理财投顾服务。AI选股真的能跑赢大盘吗？如果答案是肯定的，想象空间又有多大？

       近日，国外一支基金的走红拓宽了不少投资者对这个问题的认知边界。6月，人工智能驱动的AMOM基金将特斯拉和亚马逊从其投资组合中剔除，转而选择增持高通、Snap和GameStop等公司的股票，GameStop在此期间已飙涨175%。

       在国内，也出现了华夏基金这样将AI和投资结合的成功案例，据华夏基金总经理李一梅介绍，得益于和微软亚洲研究院AI技术的合作，旗下一只基金年化超额收益接近10%，另一只接近15%。

        AI+投资的故事看上很美好，在AI的加持之下，投资这件事真的就能做到万无一失吗？

       在近日举办的第四届微软亚洲研究院创新论坛上，李一梅透露，AI和投资结合一开始并不是“闪亮登场、大杀四方”，而是在数据领域、人工智能领域经过了长达四年的深入探索。

       她表示，双方合作的第一个着力点定位在了应用于量化投资和指数增强的实践上，通过不断地用逻辑和数据训练机器，最后才形成一套在行业里非常领先而有效的指数增强技术。

       微软亚洲研究院副院长刘铁岩也向36氪表示，针对针对我国金融市场自身特点的智能研究，是一件既有挑战又有机会的事情。

       挑战上看，A股市场的复杂性，除了政策监管外，还有散户群体的行为相对更主观，与美股市场主要是机构参与的情况相比，效率要相对低一些；机会上看，金融领域，尤其是投资领域在数字化上走得非常靠前，这给AI介入提供了良好的基础。

        “A股因为有很多散户存在，市场效率并不算高，所以里面有非常多的个人喜好数据存在，这对于我们进行市场洞察很有帮助，对于大家理解这个市场非常有用。”

       对于当前明星基金经理备受追捧的现象，刘铁岩则表示，“正是因为大家对这个领域的知识储备不够，才希望能够借鉴专业人士的判断。但人难免会有局限性，很难把这么多的资金照顾周全。”随着智能投顾市场不断成熟，当更多的投资者有足够的知识和技术去做决策时，我们将会迎来一个更加高效、更加有效的市场。

       需要警惕的是，2008年金融危机中，过度依赖计算机被认为是一大诱因，如今的AI技术是否能避免重蹈覆辙？

对此，刘铁岩表示，技术和对技术的监管总是一对双生子，所有的技术其实都是工具，技术导致的各种后果其实都是人使用带来的结果。“不管是高频的算法交易，还是人工智能的预测技术，我们怎么使用它、监管它，这是非常重要的环节。”

来源：36Kr

面向金融业的平台大数据共享框架研究

       利用平台大数据有助于降低金融领域信息不对称，这一点得到学术研究的验证与肯定。但是，如何确保平台大数据在金融领域使用的合法性、合规性，仍存在诸多亟待解决的问题。本文综述了平台大数据对于提升金融业效率的主要研究，明确了我国政府将数据作为重要要素市场建设的政策方向，梳理出当前存在的问题，提出了API模式、数据库模式和工作站模式等三种共享框架，并比较研究了这三种框架方案。

平台大数据对于金融业提升效率具有重大意义

        1961年斯蒂格勒研究了信息的成本与价格，以及信息对价格、工资和其它生产要素的影响。在保罗·罗默（Paul Romer，1990）、格罗斯曼和赫尔普曼（Gene M. Grossman & Elhanan Helpman，1991）提出的新增长理论中，将知识和技术对产出的贡献进行了研究，指出知识在经济增长中产生巨大作用。2019年5月17日，日内瓦世界经济论坛以“银行业的未来”为主题探讨BigTech对银行业的影响，国际清算银行（简称BIS）首席经济学家Shin在日内瓦世界经济论坛上发布工作论文，对使用电商平台的订单大数据来发放贷款产品进行了实证研究，验证了订单等大数据对金融业降低信息不对称、服务实体经济的成效，充分肯定平台大数据对实体经济的金融支持效率。经过多年来信息经济学的发展，2020年4月10日，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》分类提出了土地、劳动力、技术、数据五个领域改革的方向，明确了完善要素市场化配置的具体举措。2020年10月召开的十九届五中全会提出“要素价格市场决定、流动自主有序、配置高效公平”，为数据要素市场指明方向。

平台大数据应用于金融业存在的问题

       2021年我国已经开始实施的《民法典》,明确消费者在平台产生的数据属于消费者与平台共同所有，为金融业共享平台大数据奠定了法律基础，但也引出了超授权使用、利益分配、数据保护和技术完备性等难题亟待解决。
（一）超授权使用问题：法律已经重塑数据权属关系，但消费者如何有效行使自身权利？
       平台方在跨平台加工利用消费者数据时，过去不向消费者明示数据权益甚至让消费者干脆不知情的做法是难以为继的。消费者产生的数据存储在平台本身并不是问题，超授权使用甚至非法使用这些数据才是问题。但是如果频繁授权，也可能导致消费者被过度打扰。
（二）利益分配问题：经济学对数据要素的界定引发利益分配问题，消费者和平台如何共建数据要素市场？
       消费者在平台上产生的数据成为生产要素之后，作为一种生产资料，或者说作为一种资产，它产生的成果该如何分配？（杨凯生，2020.12）由于消费者在平台产生的数据属于消费者与平台共同所有，那么企业通过对外交换数据赚取利润后，消费者有权向企业要求利润分成，但这个问题在现实中没有得到很好解决。特别是，在传统经济模式中，消费者与平台相比处于弱势，很难控制平台操作。同时，平台也没有条件、更没有动力将双方达成一致的利润发放到消费者手里。
（三）数据保护问题：数据流动性强、复制成本近乎为零，如何保护消费者数据不泄露？
       数据只要发生转移，就可能出现二次销售的可能性，进而衍生出数据被滥用的更大可能性，如何从源头上堵住数据泄露的口子是当务之急，同时也不能因噎废食，将数据只留存在原始平台中，产生不了价值。
（四）技术完备性问题：解决这一新型难题将采取什么样的技术方案？
       有人期待使用新技术来解决新问题，比如区块链，但是这些技术在没有成熟先例的前提下，需要慎重考虑在全国性金融信息基础设施上应用。另外，当前数据隐私保护技术蓬勃发展，但这些新技术依然存在通用性不强、技术门槛高、消费者获得感不强等问题。很多平台宣称自身数据都是经过脱敏处理，且可以采取“数据可用不可见”的方式，但这种方式无法支持复杂的机器学习建模，而且各平台的方法各异，消费者对各种具体保护方法并不熟悉。

解决思路
       在中国人民银行发布的《征信业务管理办法（征求意见稿）》中，明确“利用个人信用信息对个人作出的画像、评价等业务”被纳入征信业务范畴，为平台大数据合法合规应用于金融业提供新的契机。

（一）“一点授权、全网管理”，解决消费者大数据的代理授权问题
       可以考虑由同一家中立、共有性质数据平台接受消费者“一点授权、全网管理”的请求，由消费者发起请求，消费者本人授权，该平台代理行使消费者在所有平台上数据的所有权；也可以由金融机构与每家平台公司研发API接口对接，实现消费者对一家金融机构与一家平台公司之间数据转移的授权。
（二）集中管理，借助成熟技术，解决利益分配问题
       可以考虑设立一个类似百行征信的第三方平台，或者直接由百行征信承担，借助线上渠道与网络支付等我国成熟技术，在金融数据产生利润的场景下（谢文武，2021.04），实现利润的集中归集、分成与支付。
（三）集中保护，集中监管，解决数据保护问题
       可以考虑建立国家级金融信息基础设施平台，凡是以金融目的获取非金融数据请求，持牌金融机构必须对接这个平台，以此实现统一管理、集中保护。只要发现数据被金融机构滥用的现象，则由该机构实施制裁并督促整改。
（四）积极稳妥，重视标准化，解决技术完备性问题
       可以考虑初期均使用成熟技术，规避未大规模应用的新技术。例如，数据交换涉及到的API接口均比照《商业银行应用程序接口安全管理规范》（JR/T0185-2020），制定并实施一套标准的数据脱敏规则，遴选并研发优秀的数据隐私保护技术，如同态加密、多方安全计算、数字水印等，采取成熟一个推广一个的审慎方式，不断增强消费者权益保护。

几种面向金融业的大数据共享框架
        框架研究的思路立足于解决当前难题，同时面向未来保持可扩展性，借鉴网联等金融信息基础设施建设经验，采用成熟技术，以改善消费者体验和保护数据安全为目标，明确平台大数据只有在持牌金融机构需要且有消费者授权时才可以用于金融目的，初步梳理了API、数据库、工作站等三种模式来实现面向金融业的大数据共享。
（一）基于API模式的大数据共享市场
       API模式是金融机构与非金融平台直接通过API（应用程序接口）进行非金融数据交换的模式。这种模式与英国央行在2020年3月、国际清算银行在2020年12月提出的架构类似，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构通过API链接平台公司登录验证界面，消费者通过平台公司验证后，平台公司将消费者的脱敏数据（金融标准）反馈给金融机构。

（二）基于数据库模式的大数据共享市场
       数据库模式是金融机构与非金融平台通过一个公共性质的数据库进行非金融数据交换的模式。首先，消费者对拟建的全国性大数据平台一次性授权获取全国各非金融平台相关数据，消费者在所有平台中的脱敏数据均反馈给平台存储。之后，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构获取消费者全网的脱敏数据，然后，向拟建的全国性大数据平台支付数据服务费，该平台再将分成后的数据服务费分别支付给消费者及相关平台。

（三）基于工作站模式的大数据共享市场
       工作站模式是数据库模式的升级版，但金融机构与非金融平台不交换任何消费者数据，由金融机构提出数据建模需求，数据库平台完成建模运行并将结果反馈金融机构。主要流程与数据库模式保持一致，只是当消费者同意授权金融机构获取其平台数据用于金融目的后，金融机构不会获取消费者数据，而是将自身模型放到拟建的全国性大数据平台上运行，平台向金融机构反馈模型运行结果。见下图3。

图3 基于工作站模式的大数据共享市场

三种框架的优缺点对比分析
（一）API模式
       优点：消费者数据存储主体依然保持现状。缺点：每家金融机构都需与平台开发一一对接的API，即便制定这种API的金融标准且全行业推广，也存在几种风险：一是全行业难以执行统一管理标准，比如即便将脱敏规则做成金融标准，但实践中贯彻落实仍有可能出现偏差；二是依然可能出现一两家大平台垄断绝大多数数据流量的情况，进而形成事实上的系统重要性平台；三是消费者无论是与平台还是金融机构打交道时，都处于C to B的弱势角色，不利于消费者维权；四是消费者跳转登录平台时的设计体验，关乎整个流程的成功与否，与超级网银推广难题类似，大平台公司如果不愿意改善设计体验，将使这个模式难以推广；五是金融机构如果需要对接多家平台，消费者需要对每家平台都授权，理论上最多n*m次授权，消费者的体验不好；六是如果支持联邦学习、多方安全计算、同态加密等“可用不可见”的模式，将会对平台增加计算负担；七是消费者在得到金融服务的同时，金融机构向平台支付数据服务费，但是平台能否将数据服务费向消费者合理分成依然存疑。
（二）数据库模式
       优点：一是全行业执行统一管理标准，大幅降低金融行业与各平台去对接的数量规模，从n*m减少到n+m（n与m见图2），远比现在开通第三方支付要快捷；二是避免任何平台与金融机构形成垄断；三是集中授权管理，相当于将API模式的C to B变成了B to B，有利于增加消费者权益；四是与平台对接金融机构不同，数据库模式是统一标准，无需金融机构或各类平台多次对接，降低了金融机构和各类平台负担，推广难度小；五是消费者授权次数大大减少，体验会更好，理论上最多m次授权即可；六是方便解决数据收益分成问题，消费者在得到金融服务的同时，金融机构向全国性大数据平台支付数据服务费，该平台再二次分成给消费者与有关平台，也可以由全国人大立法，不再给消费者分成，以其他形式维护消费者合理权益。缺点：一是直接提供数据给金融机构，虽然效率高，符合现有法规，但在数据保护上，仍然扩大了消费者数据的扩散范围，数据存在二次销售的可能；二是将消费者数据集中于新的数据平台，形成新的金融信息基础设施，存在大规模泄露的风险，例如，美国信用评估巨头Equifax在2017年发生的1.43亿个人信息泄露事件。
（三）工作站模式
       优点：具备数据库模式的几乎所有优点，而且彻底堵住了消费者数据在金融领域可能被销售或非授权转移的口子。缺点：一是目前联邦学习、多方安全计算、同态加密等诸多技术依然处于发展期，还不够成熟，特别是复杂计算的效率会影响到消费者体验，甚至模型无法运行；二是工作站模式将极大地增加新平台的计算负荷。

（四）对比结论
       根据分析，数据库模式可以解决当前问题，并且风险可控，而且还具有未来可拓展性。数据库模式统筹消费者和平台共同作为大数据的供给方,统筹持牌金融机构作为大数据的需求方,以消费者授权和获益为前提，能够兼顾当下与长远，最终形成“1个买方+2个卖方+1个交易所”的大数据交易模式。在数据库模式筹建期间允许金融机构与非金融数据平台之间的API模式在管控下适度发展，待建成后统一迁移到数据库模式。当大数据共享市场稳定运行后，可以开放部分工作站服务，在未来隐私保护技术成熟后，有序过渡到工作站模式。

文章来源：《中国金融》2021年第12期杂志

量化投资在ESG领域具有独特优势

       ESG在中国的发展方兴未艾，投资领域进行了诸多积极的探索。在近日举行的第15届中国证券投基金业年会的中国ESG发展论坛上，景顺长城基金副总经理黎海威对量化投资与ESG的结合分享了自己的实践经验。黎海威表示，量化投资在ESG领域具有独特的优势，可以借助量化的方法和大数据整合能力，更好地挖掘ESG超额收益潜力，未来大有可为。

　　ESG是环境、社会和治理的缩写，是一种关注环境、社会、公司治理绩效而非仅仅财务绩效的价值理念、投资策略和评价工具。在特殊时期的影响下，ESG投资在全球出现史无前例的增长。截至2021年3月31日，UN PRI(联合国责任投资原则组织)协议签署主体已超过3800家，总资产管理规模达到121.3万亿美元。黎海威认为，ESG投资是大势所趋，资产管理机构未来的投资将越来越多地受ESG策略驱动或影响，ESG在全球投资前景十分广阔，量化投资领域也将顺应趋势与ESG进行越来越紧密地结合。

　　量化投资在ESG领域具有独特的优势，首先表现在ESG大数据的整合需要量化框架和能力。黎海威指出，ESG的数据源非常繁杂，上市公司、政府监管部门、新闻舆情、非政府组织及行业协会等等多数据来源，具有覆盖度低、碎片化、非结构化、行业特征明显等特点，需要借助量化的方法和大数据整合能力进行数据处理，为下一步的风控和投资提供坚实的基础。在黎海威的实践中，对ESG数据的处理有三个要点，首先是借助大数据技术及自然语言处理(NLP)方法生成高质量底层数据。其次，不光是处理数据，还要加入自己的理解，比如对本土的理解，包括负面清单的处理，包括行业和数据结构进行本土化的方法，即基于对行业和数据的理解构建本土化ESG评级体系。最后，有一套比较成熟的因子投资的框架和经验挖掘ESG中的超额收益。

　　黎海威表示，ESG的信息或者作为一类因子来用，比较大的好处是与传统的投资风格相关性低。这可能是因为ESG投资关注角度与传统投资有较大差异，如传统投资者关注投资后得到的现金流，而ESG关注企业的社会贡献与内部成本外部化的行为;传统投资者的视角偏短期，而ESG对企业的影响偏长期。同时，ESG关注的信息难以获取，或者为投资者所忽视。因此，ESG因子与传统常见因子相关度较低。

　　此外，据黎海威的研究，ESG因子有较强的超额收益潜力。同时，由于ESG关注企业的社会贡献和行为模式，与每年的经营业绩相比，是一个相对慢的变量，着眼于企业长期可持续发展的公司往往也是行业领先者，市值较大，因此ESG相关策略换手较低，相应的策略容量大，很适合机构和养老资金长期配置。

　　作为在在量化领域具有长期领先优势的基金管理公司，黎海威带领的景顺长城量化投资团队在ESG策略方面进行了深入的研究，对ESG因子的运用反复实验，未来将在该领域进行产品布局。据了解，景顺长城已经构建起完善的量化产品线，覆盖指数增强、主动量化、Smart Beta等多种策略、不同收益/风险特征的产品，跟踪的指数涵盖大中小市值，涌现出如景顺长城沪深300指数增强、景顺长城量化新动力等一批超额收益持续稳健的绩优量化投资产品。同时，历经多年打磨，景顺长城已拥有经验丰富、团队成员稳定、投资实力过硬的量化投资团队，团队成员平均从业年限超过8.8年，平均加入公司时间达5.3年(截至2021年6月30日)。

来源：中国经营网

赋能B端、服务C端：谁将引领金融科技助力银行业数字化升级大方

       流量、场景、数据成为金融科技未来发展的基石，在这一基础上延伸出的智能营销、智能解决方案、智能风控、反欺诈、智能催收、智能投顾等业务百花齐放。虽然过程坎坷起伏，但终点明确又清晰。金融科技定会成为金融产业下一阶段竞争的核心。

       2018年是中国金融科技产业发展的转折点。

       这一年，百行征信成立，国内征信体系建设大踏步前进；

       这一年，持牌消费金融渐入正轨，有望在2019年进入爆发式增长；

       这一年，网贷行业出清效果初显，P2P产业在分化中迎来下半场；

       这一年，银行、保险、证券业向外资进一步开放，中国金融产业将在世界舞台上参与全球化竞争；

       这一年，保险科技行业中后台从后端向前端延展，保险科技TO B服务成为行业新赛道；

       这一年，监管科技、银行科技发展驶入快车道。

       尤其值得关注的是，在全球经济跌宕起伏变化下，在黑天鹅事件频出的世界范围内，“不确定性”成为整个国内金融产业“压力测试”的试金石，众多金融机构在这一年开始意识到产业升级、行业变革的紧迫性。

       在焦虑的银行业里，以大型商业银行、股份制银行、城商行与民营银行为代表，数百家银行开始第一次站在同一起跑线线上，竞备金融科技淘汰赛。

       在国内银行业转型升级的关键时期，利用金融科技促转型、助升级，已成为当下商业银行普遍关注的焦点，而通过与金融科技公司的合作，驶入创新发展超车道甚至建立起竞争壁垒，更是焦点中的焦点。

      在此之前，上千家曾试水过金融业务的互联网企业在“金融的归金融，科技的归科技”这一监管背景下，转而向TO B端输出技术、经验、解决方案等等。金融科技从TO C业务转向TO B服务，“BATJS”率先垂范，与“五大行”相继结盟，将金融科技公司与银行业的合作推到了风口上。

      事实上，除了银行体系自身外，以平安集团、蚂蚁金服、京东金融为代表的互联网金融巨头，以浪潮科技、神州信息、东软集团、长亮科技、宇信科技、恒生电子等为代表的传统金融IT服务商，以百融金服、同盾科技等为代表的金融科技服务公司都在积极为银行业赋能。

       当然，以上阵营并不是金融科技服务银行业的全部，市场上还有众多征信及信用服务商、大数据服务商、风控反欺诈服务商、保险科技服务商、智能投顾服务商在同步掘金金融科技。

       亿欧认为，金融科技公司服务银行贯穿银行运营的三个层次体系：管控层（银行体系架构的“神经中枢”，即基础架构）、交付层（处理银行业务活动的作业“后台”）及界面层（与客户直接交互的界面和触点），主要涉及八大应用场景——银行云、智能营销、智能风控、智能审计、智能投顾、智能投研、智能客服、生物认证。

       结合当下市场发展脉络分析，新技术、新理念、新政策应用于金融产业，将对金融产品创新、金融模式更迭、金融服务升级带来巨大变量，在改善客户体验、降低交易成本、提高服务效率上，更好地满足用户对金融全方位、多品类、个性化的立体需求。

      金融科技的出现，让新技术从中后台传导至前端展业。在金融科技赋能金融机构实现升级，服务实体产业的过程中，金融科技本身释放的能量足以产生“核聚变”。

       在互联网金融模式创新，传统金融机构数字化转型过程中，在这种不断创新发展、智能融合、技术推动的新形势下，流量、场景、数据成为金融科技未来发展的基石，在这一基础上延伸出的智能解决方案、智能风控、反欺诈、智能营销、智能催收、智能投顾等业务百花齐放。虽然过程坎坷起伏，但终点明确又清晰。未来，金融科技将成为金融产业下一阶段竞争的核心生产力。

       “狭路相逢勇者胜，勇者相逢智者胜”，在金融科技大潮汹涌澎湃的进程中，万千产业创新者“勇立潮头踏歌行”，他们为全球金融产业的变革奉献着自己的时间、智慧甚至生命。

来源：亿欧

量化投资是红海还是蓝海？

      头部梯队硝烟四起，第二梯队加速入局，战场不断外扩，构成了当前量化私募的“战况”。

      近年来，量化私募迅速崛起，百亿级量化私募不断扩容，千亿级巨头也开始涌现。然而，在光鲜背后，行业竞争愈发激烈。私募排排网数据显示，截至7月14日，已经有两家私募退出百亿级梯队。

      多位业内人士直言，量化私募仍存在较大的发展空间，不过，相比于主观多头策略，量化私募机构间的竞争更为直接和激烈，核心策略团队的稳定性、能力圈的逐渐拓展或是量化私募机构在长跑中胜出的重要基础。

头部量化梯队洗牌

       私募排排网数据显示，截至7月14日，运行中的量化策略基金共有17126只，而2020年同期运行中的量化策略基金仅为9153只，2019年同期运行中的量化策略基金为5710只。另外，百亿级私募梯队中也频现量化私募的身影。截至7月14日，百亿级量化私募数量高达13家。

       不过，在高速发展的同时，行业竞争愈发激烈。据私募排排网网统计，截至7月14日，佳期投资和上海锐天投资已经掉出百亿级梯队。与此同时，百亿级梯队也迎来了新鲜血液。

       “量化私募机构间的竞争尤为残酷，因为主观多头策略私募可以用投资理念尽量寻找到一路同行的投资人，而量化私募只能用业绩说话。一旦核心策略失效或者短期业绩表现不好，资金会选择撤出，寻找更有效的策略，所以量化私募头部梯队的加速洗牌是行业激烈竞争的表现。”沪上某FOF基金经理直言。

       团队稳定性至关重要

       头部梯队内部的激烈竞争，让人不禁发问，如今的量化投资究竟是蓝海还是红海？

       厚石天成总经理侯延军认为，量化投资的发展很难用红海或蓝海来形容，不过量化投资中部分短线类型的具体策略，可能正在形成所谓的红海。比如以交易市场微观结构为主的量化策略，会由于容量问题和趋同性问题，产生各细分策略间的激烈交锋。

       “相比于海外成熟市场，我国量化投资规模还有很大差距，所以量化投资的发展仍是一片蓝海。不过，随着头部效应的逐步显现，如今量化私募需要重新审视公司长期发展的核心因素，即团队稳定性和核心策略的进化迭代，那种靠一两个人战胜市场、找到赚钱模型的故事基本上不会再出现了。”某量化私募人士坦言。

       鸣石投资创始人袁宇也表示：“一家量化私募若想长远地走下去，必须依靠多核驱动，有生命力的团队才能具备较强的研发和风控实力，在不同的市场中稳步前行。另外，随着量化投资进入新时代，量化私募需要凭借更高的技术和更专业的团队，为资管行业提供更优的解决方案。”

       头部机构拓展能力圈

       除了保证团队的稳定性和策略的有效性，多家头部私募正不断拓展能力圈，强化自身的资金吸引力与资产配置功能。

        近日，百亿级私募天演资本首次对外发行量化多头产品，不再对标相关指数，并加入了择时因子。深圳某百亿级私募人士也透露，公司正在筹备类似的策略产品，并将主观和量化相结合，发挥自身优势。今年6月份，灵均投资也在渠道发行了量化多头策略产品。

       “百亿级量化私募的团队人数大概在60至100人之间，技术成本和人力成本都很高，只有管理规模较大公司才能覆盖这一成本，并且有能力不断强化投研团队实力，形成正反馈。”上述量化私募人士表示。

来源：中国证券网

AI助力金融数字化 马上消费开启进阶之路

       在各种影视的虚拟世界中，人工智能（又称“AI”）研究已经远远超过我们当前的发展水平，万物皆堪垂泪。在现实生活中，AlphaGo机器人于2016年击败了曾18次问鼎世界围棋冠军的李世石，这意味着直觉、战略思维、想象力不再是人类所独有。

       有人说，人工智能现在是人类的学生，未来将成为人类的先生，足见人工智能的想象空间之大。

       近些年，人工智能技术在经历了泡沫后，逐渐开始回归理性，更加注重落地产业。目前，人工智能技术已经取得长远进步，被广泛应用于安防、医疗、金融、制造、教育、城市管理等多个领域，成为世界不可或缺的一部分。

       金融业作为应用人工智能技术较为成熟的产业，在前、中、后台均有覆盖，贯穿到数字化运营的全生命周期，包括创新的产品和服务，个性化用户体验如智能客服和自动化交易等，以及身份验证等，可以根据个人偏好为用户提供多样化、个性化金融服务，保障业务稳健运营的同时，提高运营效率和用户体验。

       随着人工智能技术的大规模应用，AI将对金融业产生深远的变革，并为其创造更大的增量价值。

人工智能渗透金融业

       安德烈亚斯·卡普兰（Andreas Kaplan）和迈克尔·海恩莱因（Michael Haenlein）将人工智能定义为：系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力。例如通过人工智能技术可以解释“人何以为人”。

       后疫情时代，人工智能技术的作用逐渐凸显出来，金融机构借此打造数字化、自动化、创新化的金融生态，致力于在数字金融、智慧金融浪潮中站稳脚跟。

       中国工商银行、中国农业银行、中国建设银行、中国银行四大国有银行在财报中多次提及人工智能，并纷纷将人工智能提升到战略地位，逐渐加大在科技方面的投入。

       目前，金融业通过人工智能技术已经在多个应用层面进行落地实践。一是语音识别与自然语言处理。智能客服是金融机构较为成熟的应用，头部机构的问题解决率可高达90%，改变了原本的按键式菜单，通过语音（包括普通话、方言）说出关键词就可以基本解决用户的问题，实现了菜单扁平化，此举不仅可以提升用户体验，降低人工客服的压力，还可以降低金融机构的运营成本。

       持牌消费金融公司作为中国银保监会从金融机构中剥离出来的一个创新行业，在人工智能、大数据、云计算、区块链等前沿技术的应用相对灵活且成熟。

       科技驱动型金融机构马上消费在人工智能技术方面不断探索，自主研发了XMA智能客服系统，该系统拥有100+万金融专业知识的知识库，40+万客户问题语料库，通过自然语言处理、深度神经网络、机器学习等核心技术，为各业务线产品、用户提供全天候、标准化的服务。

       值得一提的是，马上消费“智能客服机器人”领域的项目刚刚获得工信部第一期人工智能产业创新揭榜优胜单位。

       二是计算机视觉与生物特征识别应用。人脸、虹膜、指纹、声纹等生物特征识别是金融机构常见的应用，可以进一步增加系统的安全性，有效防范非法分子的入侵。

       同时通过机器学习、神经网络与知识图谱的应用，可以有效预测欺诈、识别欺诈交易等。在海量金融交易数据的基础上，金融机构通过深度学习技术，可以做到事前干预以减少财产损失。

       随着人工智能技术应用的逐步深化，部分金融机构现已形成了看、听、想、说、做一体化的核心能力，不断进行产品创新和场景的拓展，将金融服务的触角向更广泛的群体延伸，加速普惠金融的进程。

持牌消金公司大有可为

       数字化转型大背景下，银行业务向全面线上化发展。人工智能赋能银行业转型已经成为行业的普遍共识，可以提高自动化程度，同时在风险控制得当的情况下，能提升人为决策的速度和准确度。

       麦肯锡近期发布的报告数据显示，人工智能技术每年可为全球银行业创造高达1万亿美元的增量价值。可以看出，人工智能技术对银行业转型的重要推动作用。

       监管也多次发文鼓励金融机构运用人工智能等技术建立风险定价和管控模型，改造信贷审批发放流程，促进AI技术落地于金融领域的全场景。

       目前，国有大行已经具备了一定的AI能力，中小银行纷纷进行AI赋能下的数字化转型。由于银行业的业务比较复杂、数据庞大，对风控的要求较高，所以成为AI技术的主要需求方。相关数据披露，2022年中国银行业对AI技术的总投入规模将超过220亿元，而且这一数据还在逐年攀升。

       除了国有大行以及部分股份制银行，大部分的中小银行是通过与AI公司合作，采购相应的产品与服务以提升运营效率和提升用户体验，助力传统金融机构向数字化方向转型。“在一段时间内，这将是行业主要的技术获取手段，且智能风控是金融业需求旺盛且AI投入较多的领域。”一位资深分析师指出。

       作为与银行业耦合程度较高的行业，头部持牌消费金融公司凭借灵活、创新等优势，持续深化人工智能等新技术，实现了全业务流程的智能化、数字化，同时在贷前、中、后进行全面风险管理，搭建了完整的风控闭环。

       马上消费充分发挥人工智能三驾马车“算法、数据、硬件”作用，依托海量的数据总结了一套风险管理经验，构建了五位一体的综合维度风险管理体系，同时融入自主研发的收入偿债比模型，加强风控审核机制。目前，马上消费的科技能力已经实现有效赋能，合作银行及金融机构超过200家。

       长远来看，人工智能技术在金融领域的潜力巨大，应用会越来越成熟，场景也会进一步得到拓宽。而在金融数字化转型风口下，头部持牌消费金融公司将迎来更多机遇。

来源：GPLP

从0到1，如何搭建智能投顾体系？

       在互联网高速发展，产品服务渐渐趋向标准化的过程中，智能投顾完成了一场自下而上，从初创企业（Betterment, Wealthfront）到巨头规模化使用的行业变迁。

本文来自: 品钛研究院 题图来自“u539fu521bu56feu7247”

       “智能投顾”是一个舶来品，最早起源于美国，指的是机器人基于客户的风险偏好和理财需求，通过算法来为客户完成理财顾问服务。

        在互联网高速发展，产品服务渐渐趋向标准化的过程中，智能投顾完成了一场自下而上，从初创企业（Betterment, Wealthfront）到巨头规模化使用的行业变迁。

       2015年，智能投顾开始陆续受到中国市场的关注。2016年AlphaGo席卷世界，人工智能迅速成为国内的焦点话题，这也激发了人们对于智能投顾的探索热情。同年年底，智能投顾产品“摩羯智投”在招商银行手机APP上线，智能投顾开始逐渐从实验性技术转变为主流趋势，成为银行、券商、保险等金融机构的标配型服务。

       根据BI Intelligence的报告，从智能投顾公司数量来看，截止2017年4月，中国已是全球智能投顾活跃度排名第三的国家，位居美国、德国之后。

       本文中笔者将结合自己在传统大型金融机构，以及新型金融科技公司里的财富管理经验，从可投资资产、市场分析、配置理论、再平衡方法四个方面来解释，如何在国内构建一套较完整的智能投顾系统。

可投资资产分析

       目前中国智能投顾产品的底层资产多为公募基金，这与成熟资本市场的情况有所不同。在美国、新加坡、香港等国家和地区，其智能投顾的底层资产均为ETF（Exchange-Traded Funds）。

       ETF最大的好处是可以瞬间完成配置，这个特性也使得ETF几乎成为智能投顾底层资产池的首选。

       但国内的智能投顾较难实现以ETF为底层，主要原因有三：

       牌照方面，国内的ETF大多属于二级市场，如果国内的智能投顾公司没有基金管理人牌照，就无法对ETF进行交易。

       市场覆盖方面，国内ETF覆盖的市场多偏行业，所以通过买国内的ETF很难为客户做到全球资产配置。而美国的ETF就涵盖了几乎所有主要国家市场和行业类型。

       体量方面，国内ETF数量不多，仅有一百多支，相比之下，美国市场有大约1600支ETF，体量要大很多。

在这些客观条件下，中国智能投顾唯一能走的途径，就是以公募基金为底层资产，结合客户的风险偏好和算法对市场的预判，为客户推荐一个公募基金组合。 

市场分析

       在实际操作中，我们会按照国内股、国内债、海外股、海外债、商品五大类别，将基金进行分类。

       确定可投资市场后，我们就能确定这些市场的基准(benchmark)，并对其进行机器学习，进而决定是否要为客户的投资组合(portfolio)配置该市场。

       例如，如果我们需要研究“海外股”市场，就可以对美国标普500指数的市盈率、市净率等因子进行分析，此外，美国的国家宏观经济指标也可以作为分析因子。

       基于这些因子，我们会用量化的方法预测市场是涨还是跌。如果模型判断该市场大概率会上涨，我们可以加大对该市场的配置；反之，则把其配比压低，这是一种避险的方法。

       关于该把哪些因子放入模型，有两种方法。假设，我们现在有包括市盈率、市净率在内的30个因子可用，一种方法是根据历史上因子贡献度，选10-15个最有效的因子放到模型里；另一种方法是把这30个因子全部放进机器学习模型。

       根据我们的经验，方法二的效果要略好于方法一，但是也没有好很多，大概年化收益率高一个百分点左右。

所以当一些技术概念被热炒时，一方面我们要认识到机器学习确实能优化投资组合表现；另一方面，也要注意不要对机器学习过于神话。

       机器学习的算法有很多种，在测算市场涨（跌）概率时，我们会同时使用几种算法。如果这些算法对一个市场的走势作出一致判断，该判断的准确率就会被认为是较高的，因此在投资组合里就可以对这个市场进行超配（低配）。

这其实很好理解，就好比当一个人（一种算法）告诉你说A股可能大涨，听者可能将信将疑，但如果十个人（十种算法）都和你这么说，你就会觉得它的可信度显著增加了。

配置

       市场分析完之后，下一步是配置。我们用的配置方法是马科维兹的现代投资组合理论，简单来说，就是在同等收益下寻找最小风险，或是在同等风险下寻找最大收益。但是马科维兹模型在实操过程中非常难用。

       这个模型的最大问题是，它对参数非常敏感。下面这个例子可以看出，在几个市场（黄金、美国、中国、新兴市场）预计收益率变化不大的情况下，有效前沿曲线上，红点和绿点的资产配比相差是很大的。

       一般来说，模型中的参数有三种：收益率、风险值和约束条件。这三种参数中，很多人对“约束条件”不以为然，但是实际操作中，约束条件恰是我们会花很多时间去操作的参数。

       首先，模型中最基本的约束条件是——所有市场的配置加起来要等于100%。此外，我们会为每个市场设定投资的上限和下限，以及股债比，股债比有时是定值（如“8:2”），有时是范围（如“不高于8:2”）。

       如果股债比是范围的话，就属于非线性约束条件，它可解的范围是很大的。我们在做模型参数时，会花比较多的心思在类似这样的约束条件上。

再平衡

       我们在和很多机构客户沟通的过程中，被最常问及的一个问题是，“你们的配置准吗？”。与“准不准”同样重要的是（如果不是更重要的话），怎样根据市场变化来改变投资组合中的配置，也就是我们常说的再平衡。

再平衡的常用策略有两种：

       一种是恒定混合策略（Constant Mix），这是海外智能投顾常用的再平衡策略，也是智能投顾鼻祖Betterment和Wealthfront采用的方法。它的基本运作原则是让不同资产类别间的比例始终保持在一个数值（比如，股债比需要始终保持在7：3）。当股市上涨时，组合里需要卖掉一些股票以保证股债比不变；同理，当股市下跌时我们需要买一些股票回来。所以恒定混合策略一直是一个买低卖高的过程。

       这也导致了一个问题：当股市下跌时，模型为了保证股票类资产和证券类资产的比例不变，就会越跌越买。所以在空头市场里，它的表现往往会不佳。

       在2008-09年金融危机期间以及2014-15年A股多转空期间，几种再平衡方法的模型表现就说明了这个问题，恒定混合策略是几种再平衡策略中表现最差的。

      另一种是固定比例投资组合保险策略（CPPI，Constant Proportion Portfolio Insurance）。CPPI策略主要是根据市场的波动来调整权益类资产与保证本金类资产在投资组合中的比重，以确保投资组合在一段时间以后的价值不低于事先设定的某一目标价值，是一种追涨杀跌的模型。

       我们比较喜欢这个模型，因为它可以控制风险。上图中可看到，CPPI也是在两次空头市场中，表现相对较好的。

结语

       智能投顾从美国来到中国，但智投服务在中国和美国的发展逻辑略有不同。

       美国智能投顾市场成立的逻辑可以大致总结为：智能投顾是平价版的投资顾问，是传统投资顾问业态的替代。所以，在美国投顾服务从“人工”到“智能”基本实现了平稳过度。智能投顾根据资产管理规模（AuM）收取管理费的模式因此也较容易被投资者接受。

      而智能投顾在中国兴起的这几年，一方面国内尚没有成熟的人工投资顾问市场，投顾服务对于大部分投资者来说，是较新鲜的概念。另一方面，智能投顾兴起的这几年，恰逢一些泛财富管理平台承诺给予投资者较高“保本”收益的时期，这些导致智能投顾在中国市场的潜力还未完全释放。

       近一年来，监管方面在泛财富管理行业有一系列动作，其中最显著的是新出台的资管新规中，明确要求打破刚性兑付，要求金融机构不得承诺保本保收益。这些都是对智能投顾行业的积极信号。

来源：亿欧